Estimating and classifying ground cover is a common component of many ecological field studies, but traditional methods are time-consuming and may introduce researcher bias. We assessed the use of a novel machine-learning software to estimate and classify ground cover in the semiarid landscape of the High Plains of Texas. We compared several types of software estimation to classification of ground cover in the field by a trained ecologist. We found high correlations between two out of three classification models. On-site category training had the highest correlation in the litter–dead vegetation ground cover category. Micro image training had the highest correlation in the bare ground cover category. Traditional training produced a model that was highly uncorrelated in all ground cover categories compared with the trained ecologist classification. We found ImageJ plus WEKA segmentation to be a valuable tool for research projects that require standardized ground cover classification across multiple samples at a low cost, compared with manually classifying ground cover, especially when time in the field is at a premium.

Estimar y clasificar la cobertura del suelo es un componente común de muchos estudios ecológicos de campo, pero los métodos tradicionales consumen mucho tiempo y pueden introducir sesgos por los investigadores. Evaluamos el uso de aprendizaje automático en un programa informático nuevo para estimar y clasificar la cobertura del suelo en el paisaje semiárido de los Llanos Altos o High Plains de Texas. Comparamos varios tipos de estimación por el programa informático con la clasificación de la cobertura del suelo en el campo por un ecólogo capacitado. Encontramos altas correlaciones entre dos de los tres modelos de clasificación. El entrenamiento de la categoría en situ tuvo la correlación más alta en la categoría de cobertura de hojarasca/vegetación muerta. El entrenamiento con micro imágenes tuvo la correlación más alta en la categoría de cobertura del suelo desnudo. El entrenamiento tradicional produjo un modelo que no estaba correlacionado con todas las categorías de cobertura del suelo en comparación con la clasificación del ecólogo entrenado. Descubrimos que ImageJ más la segmentación de WEKA es una herramienta valiosa para proyectos de investigación que requieren una clasificación estandarizada de la cobertura del suelo en varias muestras a bajo costo, en comparación con la clasificación manual de la cobertura del suelo, especialmente cuando el tiempo en el campo es escaso.